新闻  |   论坛  |   博客  |   在线研讨会
模仿犬类嗅觉,MIT研究人员开发气味探测系统,或可用于疾病筛查
深科技 | 2021-02-22 05:43:34    阅读:259   发布文章

前不久,世界卫生组织国际癌症研究机构(IARC)发布全球最新癌症数据显示,在 2020 年的新发癌症病例男性患者中,前列腺癌紧随肺癌之后,已经成为发病率第二高的癌症。


然而,目前广泛使用的前列腺特异性抗原(PSA)筛查测试存在错过 PSA 水平正常但临床已有轻微表现的病例、且把前列腺良性增生(BPH)和前列腺炎等良性疾病检测为前列腺癌的可能,这将导致前列腺癌早期患者的漏检延误治疗,以及造成错误的诊断。不过,值得注意的是,有研究表明,经过严格嗅觉训练的狗狗可以通过气味检测人类的一些病症,其中包括肺癌、乳腺癌、前列腺癌等。
对此,麻省理工学院、约翰斯・霍普金斯大学和其他机构的研究人员设计了一个系统,模仿犬类的嗅觉探测样本中化学物和微生物的差异,并且,结合机器学习,该系统可通过气味识别出具有特异性特征的样本,或可用于疾病的筛查。该研究于 2 月 17 日发表在《PLOS ONE》上。
让机器学习犬嗅
在本次研究中,研究小组使用两只经过严格训练的医学检测犬 Florin 和 Midas 对人工神经网络(Artificial Neural Network,ANN)系统进行训练,并通过气相色谱 - 质谱仪(GC-MS)辅助进行挥发性有机化合物(Volatile Organic Compounds,VOC)以及微生物的剖析,使用该系统测试了 50 个前列腺癌确诊病例的尿液样本。然后,通过机器学习使该系统能够找出各个样品之间的相似之处和差异,以帮助传感器系统对疾病进行诊断。
具体而言,本研究中使用 GC-MS(气相色谱 - 质谱联用仪)与头部空间固相微出口(HS-SPME)相结合,对前列腺癌患者的尿液样本与活检阴性样本进行对照分析。再用经过培训的狗训练 ANN 检测 GC-MS 数据中的重要峰值。他们还通过 GC-MS 和微生物群差异确认了癌症阳性和活检阴性对照之间的 VOC 差异。此外,经过培训的 ANN 还根据犬类诊断信息确定了对 GC-MS 数据感兴趣的区域。
如下图,GC-MS 神经网图中用红色线条表示兴奋,蓝色表示抑制。这意味着,红色线条的出现也代表着目标物质的出现,在本次研究中既为前列腺癌阳性因素的显示,可见,13.139 标记处与前列腺癌的阳性呈正相关(对应线条由蓝变红)。这和犬****测的结果相吻合。

结果显示,ANN 具有模拟犬嗅检测尿液样本以诊断前列腺癌的能力。在测试相同的样本时,人工智能探测系统与狗通过嗅觉进行筛选的成功率大致相同,两种方法的准确率均为 70% 左右。
犬嗅可探测疾病已被证实
此前很多新闻报道中曾提到,狗狗会通过异常的行为表现提醒主人尚未察觉的病症。如论文中列举道:2001 年有报告说,一名男子的狗不断嗅他腿上的湿疹斑块,后发现那是一个基底细胞癌;2013 年,一名男子的狗持续舔他右耳后面的病变,后来该处被证实是恶性黑色素瘤…… 更重要的是,2015 年,Taverna 等人发表了一篇关于从尿液中检测前列腺癌的关键论文,内容包括 362 例和 540 例健康对照,2 只狗的嗅觉平均敏感度达到 99%,平均特异性为 98%。这为进一步开发前列腺癌的嗅觉检测系统奠定了基础。
前文提到此次研究中将经过培训的两只医学检测犬用于训练 ANN,论文中显示,研究人员也对狗通过嗅觉检测前列腺癌的能力进行了验证。
该研究选用两只医学检测犬 Florin 和 Midas 进行了严格的筛选前列腺癌症患者尿液中所含挥发性化合物的敏感性训练,既二犬均接受了前列腺癌阳性样本和隐性样本的嗅觉检测培训。
最终训练结果显示,在双盲试验中,在混有癌症阳性、阴性共 21 个样本中,Florin 产生了 5 次错误判断,特异性为 76.2%;Midas 作出了 6 次误判,特异性约为 70%。同时,Florin 和 Midas 都从 7 个目标样本中正确指出了其中 5 个,二者的嗅觉灵敏度均为 71.4%。

在犬类能够检测人类疾病的基础上,本次研究印证了人工智能系统具备模仿犬类通过嗅觉诊断疾病这一能力。研究人员认为,这为进一步研究嗅觉探测技术在临床上的应用提供了更多可能。
该论文作者之一 Andreas Mershin 说,“我们设计的检测系统实际上要比狗鼻子敏感 200 倍,甚至能够检测和识别不同分子的微小痕迹。”
研究人员们设想说,或许,未来这一气味探测系统将足够小,并像现在的摄像头一样成为每部手机的必备零件,结合更加优化的算法,人们将能够通过这样的气味探测设备发现烟雾或气体的泄露,当然也包括文中提到的对疾病的更早感知。


*博客内容为网友个人发布,仅代表博主个人观点,如有侵权请联系工作人员删除。

参与讨论
登录后参与讨论
推荐文章
最近访客